Ingegneria Informatica

Le finalità del corso sono:

• Preparare gli allievi ad affrontare i processi decisionali mediante l’uso di sistemi intelligenti, basati su modelli della realtà, capaci di supportare analisi ad-hoc sui dati;
• Fornire agli allievi una introduzione alle tecniche di intelligenza artificiale su cui sono basati i sistemi esperti e alle tecniche atte a trattare informazioni incerte, imprecise o incomplete.

Obiettivo del corso è portare lo studente a:

• Conoscere e saper applicare le strategie per la risoluzione di problemi nonché le tecniche di modellizzazione tipiche dei sistemi di supporto alle decisioni;
• Saper integrare la tecnologia dei sistemi esperti con quella dei sistemi di supporto alle decisioni.
  

Sistemi esperti
Architettura di un sistema esperto. Approccio dell’intelligenza artificiale alla risoluzione dei problemi. Spazio degli stati. Tecniche di ricerca: ricerca cieca (depth-first, bread-first); ricerca euristica. Guida della ricerca: ragionamento guidato dai dati, ragionamento guidato dall’obiettivo.
Rappresentazione della conoscenza: regole di produzione, reti semantiche, frame, logica delle proposizioni, logica dei predicati, rappresentazioni ibride.
Acquisizione della conoscenza.
Il processo inferenziale. Strategie di inferenza: inferenza deduttiva, inferenza induttiva, inferenza abduttiva. Ragionamenti basato sui casi.
Il linguaggio Prolog.
Principali applicazioni dei sistemi esperti.

Insiemi fuzzy e Logica fuzzy
Gli insiemi fuzzy. Le relazioni fuzzy. Intersezione ed unione fuzzy. Composizione di relazioni fuzzy. I numeri fuzzy. Le variabili linguistiche. I modificatori linguistici. L’operatore di implicazione fuzzy. Proposizioni fuzzy.
Il ragionamento approssimato. Sistemi fuzzy SISO e MISO. Strategie di inferenza FITA e FATI. Tecniche grafiche di inferenza. Metodi di defuzzificazione.
Campi di applicazione tipici.
Data mining.
Principali tecniche di data mining: regole associative, classificazione, clustering.
Algoritmo hard C-means. Algoritmo fuzzy C-means. Clustering basato su relazioni fuzzy di equivalenza. Algoritmi di clustering gerarchici.
Campi di applicazione tipici.
Reti neurali
Modello di un neurone. Architettura di una rete neurale. Modalità di attivazione dei neuroni. Paradigmi di apprendimento.
Memorie associative. Il modello di Hopfield. Reti neurali feed-forward. Il perceptron. La delta rule. Algoritmo di back-propagation. Reti neurali competitive. Le mappedi Kohonen.
Principali applicazioni delle reti neurali.
Algoritmi genetici
Funzione di fitness. Strategie di selezione. Operatori di crossover. Operatori di mutazione. Codifica binaria e codifica reale.
Principali applicazioni degli algoritmi genetici.
Laboratorio
Esercitazione in laboratorio su Matlab.

Dispense fornite dal docente.

L'esame si svolge, di norma, come segue:

• Risoluzione scritta di alcuni problemi quali ad es. la descrizione dell’architettura di una rete neurale che sia in grado di prevedere gli andamenti futuri delle vendite di un’azienda basandosi su dati precedenti.
• Non è possibile usare alcun materiale didattico, se non autorizzati.
• Alcune domande sul programma del corso.

Il voto finale tiene conto sia della preparazione raggiunta dal candidato (sulla base della parte scritta e di quella orale), sia della capacità di esprimersi in un linguaggio tecnico appropriato (in Italiano o in Inglese).